通过CS-KBRs框架来表征和区分大脑状态,以突出共同和特定大脑区域的协同作用

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 机器学习 机器学习

背景情况:

• 了解大脑区域协调对于认知过程和障碍至关重要.
• 深度学习在fMRI大脑状态分类中显示出希望,但缺乏关于区域特征的解释性.

研究的目的:

• 引入使用动态图卷积神经网络 (DGCNN) 的新框架,以识别用于大脑状态分类的关键大脑区域 (KBR).
• 通过了解已识别的KBRs的作用,提高神经科学中的深度学习模型的可解释性.

主要方法:

• 开发了一个DGCNN框架,以动态更新邻近矩阵来评估大脑区域的重要性.
• 选择了来自148个区域的56个KBR,在脑状态分类中表现出优异的性能,与使用所有区域相比.
• 将KBR分为共同区域和特定区域,形成一个CS-KBR框架,以分析它们的独特贡献.

主要成果:

• 该DGCNN框架准确地确定了56个KBR,这些KBR显著改善了大脑状态分类性能.
• 共同区域作为全球大脑整合的中心枢纽,而特定区域捕获局部化,与任务相关的细节.
• CS-KBRs框架揭示了共同和特定区域之间的互补关系,这对于区分大脑状态至关重要.

结论:

• 新的DGCNN框架有效地识别了KBR,用于增强大脑状态分类.
• CS-KBRs框架为全球和本地大脑区域功能之间的协同作用提供了更深入的见解.
• 这种方法提高了模型的准确性,并提供了对大脑状态差异化的更全面的理解.